多模态 BCI 大挑战：基于 EEG–fNIRS 的手写轨迹分类

基于摘要分析。本材料提出一项 ACM Multimedia Grand Challenge，研究如何利用同步 EEG 与 fNIRS 对想象的表意文字书写进行四分类，核心贡献是构建统一的数据与评估框架，而非提出已验证的解码模型。该任务面向想象书写动作的类别识别，不等同于连续手写轨迹重建或开放词汇脑到文本解码。 技术与数据方面，挑战基于多会话 EEG–fNIRS 基准，提供对齐的试次标注和标准化预处理，旨在支持对时序建模、多模态融合及现实会话变异下性能的可复现比较。摘要未说明具体文字类别、被试数、会话数、采集通道、试次规模或预处理步骤；同步方式与两种模态的时间对齐细节也尚未验证。 评估方面，作者说明仅设置一个赛道，采用统一模型提交格式，由组织者在隐藏测试集上自动评估，排行榜仅按总体分类 Accuracy（原文缩写 ACC）排序。摘要未提供基线分数或模型实验结果，也未说明训练与测试是否涉及跨被试或跨会话划分，因此不能将多会话数据直接视为跨会话泛化验证，亦不能据此认定多模态优于单模态。 复现与核对重点包括数据访问条件、训练与隐藏测试集的划分关系、类别分布、统一预处理的具体定义，以及 EEG-only、fNIRS-only 与融合模型能否在相同协议下比较。实验协议、消融及统计信息尚未验证。作者承诺将公共挑战网站、starter kit 和评估基础设施维护至少三年；这是维护承诺，不代表相关资源的当前可用性已获核实。